具身智能正从实验室走向真实场景落地。机器人进入工厂、仓储、物流、医疗和生活服务等场景后，还要面对复杂工况适配、长期稳定运行、安全性验证、应用成本和规模化复制等难题。一次演示成功，并不等于产品能够持续工作、批量部署。

从产业发展来看，中试成为具身智能规模化落地的必要环节。实训场负责让机器人 "练技术、练模型"，应用中试基地则要进一步 "验产品、熟应用、扩产业"，帮助企业跨越样机验证、工程测试到量产应用之间的关键门槛。

2026 年 5 月 22 日，国家发展改革委明确提出加快具身智能方向应用中试基地建设。6 月，工业和信息化部办公厅、国务院国资委办公厅发布《关于联合开展 2026 年度人形机器人与具身智能实景实训专项行动的通知》；8 月 28 日，国家发展改革委员会进一步提出，以具身智能实训场和应用中试基地为抓手，让机器人在真实场景中持续迭代，围绕真实需求形成应用闭环。

在这一背景下，中试基地不仅需要真实场景和机器人设备，也需要一套能够扩大测试覆盖、复现失败条件、比较模型版本的仿真评测基础设施。

传统中试验证设备

具身中试验证复杂系统

具身智能中试基地要解决的，是机器人从能力上限到工程下限之间的验证问题。

机器人在真实环境中的表现，并不取决于单一模型或单一本体，而是模型、本体、传感器、控制系统、任务流程和现场环境共同作用的结果。光照变化、物体偏移、材料差异、接触摩擦和外部扰动，都可能让演示中的成功案例变成部署中的失败样本。

这也决定了，具身智能中试不能简单复制传统制造业的中试模式。传统中试更多验证设备和工艺，具身智能中试验证的则是一套持续变化的复杂系统。它不仅要判断机器人能否完成任务，还要回答成功率是否稳定、能力在什么条件下退化、失败发生在哪个环节，以及模型和硬件版本更新后是否真正取得进步。

完全依赖真机进行中试验证，面临成本高、周期长、设备和场地有限以及安全风险等问题。更重要的是，真实现场很难在短时间内覆盖足够多的极端条件。

因此，仿真评测不是对真机中试的替代，而是中试体系的前置环节和规模化能力。在中试验证过程中，真实场景负责发现问题、定义合格条件并校准结果，仿真则负责扩大覆盖、复现失败和控制变量，关键结论最终仍要回到真机和现场环境中复核。

中试基地不仅需要真实场景、机器人设备和算力资源，还需要一套能够规模化定义任务、复现条件、比较结果、诊断失败并支持回归测试的仿真评测基础设施。

RoboFinals 面向具身智能中试的仿真评测基础设施

面向具身智能产业化过程中的验证需求，光轮智能构建了 "RoboFinals - 具身智能中试仿真评测基础设施"。

作为全球首个工业级规模化评测平台，RoboFinals 将真实产业任务转化为可执行、可复现、可比较的仿真测试，让模型和机器人系统在进入真实现场前，先完成规模化验证。RoboFinals 的核心价值，是帮助产业回答：机器人为什么通过、在哪些条件下通过、失败之后应该如何改进。

一套完整的中试评测，从真实需求开始。场景方提出具体任务，明确作业流程、效率要求、容差范围、安全边界和人工介入条件；光轮智能将设备、物体、空间布局、材料属性、接触关系以及典型扰动转化为可执行的仿真环境；RoboFinals 再针对不同模型、本体和版本开展标准化评测，记录任务完成情况、长程链路表现、扰动鲁棒性、运行稳定性和安全边界。

在这一过程中，标准化任务定义和固定随机种子保证测试能够复现；SimFoundry 通过 "求解 — 测量 — 生成" 三位一体的物理仿真能力，对材料、摩擦、接触和运动过程进行测量、标定与还原；大规模并行能力则将一次现场测试扩展为大量条件组合下的系统验证。机器人不再只面对一道确定的 "题目"，而是要在位置偏差、材质变化、布局调整和外部干扰中反复接受测试。

由此，RoboFinals 帮助具身智能中试重点解决四个问题：

可量化：通过多次重复测试，形成具有统计意义的成功率、稳定性和鲁棒性指标，避免以一次演示判断整体能力。

可对比：在相同任务、相同条件和统一指标下，比较不同模型、本体和版本的表现，帮助场景方和开发者判断能力差异。

可复现：通过标准化任务定义、固定测试条件和随机种子，复现相同问题和失败结果，让不同团队、不同时间的测试结果具备可比性。

规模化：通过大规模并行仿真覆盖更多场景变量和扰动条件，在有限时间内完成大量测试，降低成本、周期和安全压力。

在 RoboFinals 的评测闭环中，真实场景定义任务，仿真环境扩大验证范围，评测结果暴露失败模式，关键结论再回到真机和现场环境中复核。经过确认的失败样本，进一步进入数据补采、模型训练、策略优化和下一轮回归测试，最终形成 "发现问题 — 定位问题 — 解决问题 — 重新验证" 的完整闭环。

通过 Real2Sim2Real，真实场景中的任务、异常和失败模式进入仿真与评测体系；RoboFinals 暴露模型和系统的能力缺口；关键结论进入真机复核；RoboStack 持续承接部署中的任务状态、异常事件、人工接管和失败反馈，反向更新下一轮测试条件。

工业知识如何进入机器人的训练与评测，也是具身智能中试必须解决的问题。

在工业制造中，材料属性、接触关系、摩擦参数、装配公差和工艺约束等信息，长期沉淀在 CAD、CAE 和工业仿真系统中。但这些工业知识并不能直接被机器人模型调用，机器人训练又需要支持实时交互、连续决策和大规模并行的具身环境。

光轮智能与西门子围绕工业仿真和物理 AI 应用达成深度合作，尝试将工业现场中的材料、公差、工艺约束和设备条件，进一步转化为机器人可理解、可训练、可评测的环境资产。在这一过程中，工业设备、零部件、工装夹具和物料可以被构建为具备真实物理属性与工程约束的仿真资产；围绕插拔、压装、卡扣、柔性接触和复杂装配等任务，则可以进一步形成可复现、可比较、可诊断的工业级评测体系。

这意味着，中试不只是在验证机器人能否完成任务，也在承担另一项重要工作：推动工业知识从传统工程系统流向具身智能系统。

从 "试用场" 走向产业 "验证入口"

目前，RoboFinals 已经形成面向多模型、多本体、多场景和多任务的仿真评测框架。

在 2026 世界机器人大会上，光轮智能系统展示了 "RoboFinals - 具身智能中试仿真评测基础设施"，以及围绕真实任务构建标准化、规模化评测体系的最新进展。

RoboFinals 面向工业制造、物流仓储、电力巡检、特种作业、商业服务和医疗康养等场景，支持工厂、家居、商超等不同环境，适配多元异构机器人及不同模型架构，并覆盖操控、运动和移动操作等任务类型。

评测内容也由单次任务完成，延伸至长程任务链路、扰动鲁棒性、运行稳定性和安全边界。通过可配置接口、域随机化、任务成功判定、过程性评测和大规模并发运行，RoboFinals 正在把一次真机验证扩展为覆盖更多场景变量和失败条件的系统测试。

目前，RoboFinals 已实现仿真评测结果与真实产线表现的高度对齐。全球前五的具身模型团队均已采用这一评测体系，光轮智能还与 NVIDIA 联合发布并开源了 Isaac Lab-Arena 具身评测基准框架。

未来，随着更多实训场、中试基地和产业场景建设落地，中试验证的重要性还将进一步提升。光轮智能将坚持以真实需求定义任务，让仿真扩大验证边界，让现场校准评测结果，让每一次失败进入下一轮进化，打通具身智能产业化 "最后一公里" 的关键路径。

（来源：光轮智能）